矩阵乘积
基本概念
标量（Scalars）, 表示零维张量，它是一个单独的，独立的数值
向量（Vectors）, 表示一维张量，它是一维数组，可以是横向数组(rows vectors)，也可以纵向数组（columns vectors）
矩阵（Matrics）, 表示二维张量，它是一个二维数组，用行数和列数表示它的大小
张量（Tensor）, 任何大于二维的对象，就是张量
矩阵乘法
- 1.左侧矩阵的列数必须等于右侧矩阵的行数
- 2.结果矩阵始终与左侧矩阵有相同的行数，与右侧矩阵有相同的列数
- 3.顺序很重要：乘法A B不等于乘法B A
- 4.左侧矩阵中的数据应排列为行，而右侧矩阵中的数据应排列为列
以下两个视频来自Youtube，所以需要你的网络可以连接上google
矩阵乘积视频地址1：
矩阵乘积视频地址2：
记住这四点，在你构建神经网络时，就能搞清楚如何正确排列矩阵乘法了
矩阵乘积函数matmul和dot，这两个函数计算的结果实一样的，但是它们还是有差别的，请查阅文档。1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32# 比如：第一个矩阵
a = np.array([[1,2,3,4],[5,6,7,8]])
a
# 显示以下结果：
# array([[1, 2, 3, 4],
# [5, 6, 7, 8]])
a.shape
# 显示以下结果：
# (2, 4)
# 第二个矩阵
b = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
b
# 显示以下结果：
# array([[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9],
# [10, 11, 12]])
b.shape
# 显示以下结果：
# (4, 3)
# 矩阵乘积
c = np.matmul(a, b)
c
# 显示以下结果：
# array([[ 70, 80, 90],
# [158, 184, 210]])
c.shape
# 显示以下结果：
# (2, 3)
如果你的矩阵具有不兼容的形状，则会出现以下错误：1
2
3np.matmul(b, a)
# 显示以下错误：
# ValueError: shapes (4,3) and (2,4) not aligned: 3 (dim 1) != 2 (dim 0)
重点是，矩阵乘积的结果是如何计算得来的了？
过程如图：
